Engenharia Agrícola
URI permanente para esta coleçãohttps://locus.ufv.br/handle/123456789/169
Navegar
2 resultados
Resultados da Pesquisa
Item Modelagem da evapotranspiração da cana-de-açúcar utilizando abordagens de sensoriamento remoto e machine learning(Universidade Federal de Viçosa, 2023-07-28) Santos, Robson Argolo dos; Mantovani, Everardo Chartuni; http://lattes.cnpq.br/7695425082281047O uso de sensoriamento remoto combinando informações de estações meteorológicas tem sido estudado como uma alternativa a estimativa da demanda hídrica, porém algumas limitações ainda persistem, requerendo novas metodologias que possa superá-las. Desta forma, essa tese teve como objetivo geral estimar a ETa (evapotranspiração atual) da cana-de-açúcar utilizando machine learning com base em dados obtidos por sensoriamento remoto ativo e passivo, bem como múltiplas fontes de informação. Os objetivos específicos foram divididos em três capítulos: 1) Estimar a evapotranspiração utilizando machine learning e sensoriamento remoto passivo; 2) Estimar a evapotranspiração utilizando machine learning e sensoriamento remoto passivo sem a necessidade de estação meteorológica em campo; e 3) Estimar a evapotranspiração utilizando machine learning e sensoriamento remoto ativo na presença de nuvens. Para tal, foram adquiridos dados dos sensores OLI (Operational Land Imager) e TIRS (Thermal Infrared Sensor) embarcados nos satélites Landsat 8 e 9, a fim de determinar a ET rF (fração evapotranspirativa) e posterior ETa utilizando o modelo METRIC (Mapping Evapotranspiration at High Resolution with Internalized Calibration). Essas variáveis foram utilizadas como resposta, enquanto as variáveis explicativas foram obtidas dos sensores MSI (Multispectral Instrument), embarcado no Sentinel-2, e SAR (Synthetic Aperture Radar), no Sentinel-1. Os dados meteorológicos, climatológicos, de solos, elevação do terreno e astronômicas, foram utilizados para garantir um treinamento e desempenho adequados dos algoritmos de machine learning. No primeiro capítulo, foi possível observar a capacidade dos modelos de machine learning em estimar a ETrF utilizando dados do sensor MSI, que não possui banda termal. O modelo que obteve melhor desempenho nessa abordagem foi o XgbLinear, com R² = 0.91 e RMSE = 0.10, apresentando resultados satisfatórios. Os valores estimados de ETrF, neste capítulo, quando multiplicados pela ET r (Evapotranspiração de referência alfafa), forneceram a ETa, que é utilizada para determinar a reposição adequada da irrigação. Os resultados do segundo capítulo mostraram que os modelos de machine learning, utilizando dados de sensoriamento remoto passivo sem banda termal em conjunto com outras variáveis explicativas, permitiu quantificar diretamente a ET a, sem a necessidade do valor de ETr determinado via estação meteorológica. Dos 13 modelos utilizados neste capítulo, o brnn (Bayesian Regularized Neural Networks) se destacou, com R² de 0.73 e RMSE de 1.10, respectivamente. Por fim, os resultados do terceiro capítulo foram promissores, pois foi possível modelar e quantificar a ETa na cana-de-açúcar mesmo na presença de nuvens. O brnn novamente se destacou, apresentando R² de 0.45 e RMSE de 1.5. Apesar das métricas inferiores, devido às limitações espectrais do sensor SAR, esse resultado representa um grande avanço, uma vez que o sensor SAR pode ser utilizado quando não é possível o uso de sensores remotos passivos. Com base em todos esses resultados, é possível inferir que os algoritmos de machine learning XgbLinear e brnn, devidamente treinados com dados obtidos por sensoriamento remoto passivo e ativo, juntamente com outras fontes de informação, podem ser eficazes na estimativa da evapotranspiração atual da cana-de-açúcar. Palavras-chave: Satélite. Machine learning. Agricultura irrigada.Item Demanda hídrica e modelagem de parâmetros biofísicos da cultura do milho a partir do sensor RGNIR a bordo de um VANT(Universidade Federal de Viçosa, 2019-07-16) Santos, Robson Argolo dos; Mantovani, Everardo Chartuni; http://lattes.cnpq.br/7695425082281047Em função do crescimento populacional estimado para 2050, a produção agrícola precisa aumentar em 70%, porém, de forma sustentável ambientalmente e viável economicamente. O uso do imageamento aéreo com sensores de baixo custo apresenta- se como alternativa para manejar a lavoura nos pressupostos da agricultura de precisão de forma mais econômica. Contudo, existem poucos estudos na literatura científica que avaliam a capacidade destes sensores em monitorar a lavoura agrícola, bem como predizer parâmetros biofísicos e demanda hídrica. Pensando nisso, esta dissertação teve como objetivo avaliar a capacidade de um sensor RGNIR a bordo de um veículo aéreo não tripulado (VANT) em identificar variabilidade espaço-temporal, assim como predizer parâmetros biofísicos e estimar a demanda evapotranspirométrica na cultura do milho. Foram capturados, utilizando-se o sensor RGNIR a bordo de um VANT, 15 conjuntos de imagens durante 61 DAE. Cada conjunto de imagens foram mosaicadas, gerando 15 imagens unitárias. Cada imagem foi georreferenciada e corrigida radiometricamente. Posteriormente, foram realizados os cálculos dos índices de vegetação. Para gerar modelos preditivos e validá-los, foram coletadas 54 plantas sobre quais foram determinadas a altura, área foliar e massa da folha, caule, espiga e panícula. Também, no intuito de realizar o balanço hídrico da área, coletou-se amostras de solo para determinar a capacidade de campo, ponto de murcha e densidade do solo. O sensor, após correções radiométricas, mostrou-se confiável em monitorar a lavoura agrícola, sendo possível identificar perturbações na mesma. Os modelos dos parâmetros biofísicos estimados a partir dos índices de vegetação apresentaram, de modo geral, bons resultados estatísticos, principalmente aquele que se relaciona com a biomassa seca total e produção de grãos. A transpiração e evapotranspiração real da cultura estimada, em que foram utilizados os índices de vegetação, mostraram bons resultados para determinar a demanda hídrica necessária à lavoura. O sensor RGNIR embarcado em um VANT foi satisfatório para o monitoramento agrícola da cultura do milho, bem como na estimativa dos parâmetros biofísicos.